大模型这三年，我们集体得了一场病
原文链接：https://mp.weixin.qq.com/s/vtZDLmtvxCTEvFtfdeyA9Q 作者：鲸涛骇浪 来源：微信公众号「鲸涛骇浪」 发布日期：2026-07-03
这篇文章，写给那些已经在大模型浪潮里浸泡了足够的 time、见过足够的失败、却始终没有找到一个干净的说法来总结"到底哪里出了问题"的人。
一、开场：一个你我都参与过的幻觉
GPT-4 发布的那个星期，我认识的一位非常聪明的工程师，凌晨三点给我发了一条消息：
那是大模型带给我们第一代人的集体幻觉：替代焦虑。我们害怕自己积累多年的技术栈，在一夜之间归零。
那位工程师现在在做什么？他加入了一家 AI 创业公司，做"智能客服"。他们的产品，本质上是 GPT-4 外面套了一层 Prompt 模板，加了一个向量数据库做知识库检索，再套了一个 Web 界面。
这不是个例。这是过去三年，成千上万个 AI 项目的标准结局。
不是模型不够强。GPT-4 出来三年了，它比三年前更强了。o1、Claude 3.7、Gemini 2.5——模型在飞速进化。
不是算力不够。H100 再难买，大厂和头部创业公司都不缺卡。
不是人才不够。全中国最聪明的一批工程师，这三年都涌进了 AI。
二、一个没人敢说破的真相
让我说一句很多人不想听，但心里都知道是真的的话：
大模型时代的绝大多数"AI 产品"，本质上都是技术Demo被包装成了商业产品。
这不是贬低。这是一个事实陈述。
一个技术 Demo 和一个商业产品的区别是什么？
Demo 的使命是：让一个人 wow。
产品的使命是：让一百万个人，每天用，持续用，还愿意付钱。
这两个使命，需要的底层能力，几乎完全不重叠。
做一个让人 wow 的 Demo，你需要的是：
- 一个强大的模型
- 一个精心调优的 prompt
- 一个刚好能跑的通路
- 一个愿意配合的演示场景
做一个让人持续用的产品，你需要的是：
- 在用户问出任何稀奇古怪的问题时，系统都不会崩溃或给出灾难性答案
- 在 QPS 涨 100 倍的时候，成本和延迟都不会失控
- 在模型升级之后，原有行为不会发生不可预期的漂移
- 在用户说"这个回答不对"的时候，系统知道哪里出了问题，并且能持续改进
- 在竞品用一半的成本做出 80% 效果的时候，你还有溢价能力
请问，这五件事，哪一件是模型本身能解决的？
一件都没有。
这就是"工程化"存在的意义。但更残酷的是——工程化也只能解决这五件事，不能解决第六件：
第六件事：用户到底为什么要回来？
这就是产品层的事了。而这件事，和模型强不强，关系越来越小。
三、价值到底沉淀在哪里？一个被回避的问题
过去三年，有一个问题在投资圈和产品圈被反复提起，但从来没有被干净地回答：
在大模型的技术栈里，价值到底沉淀在哪一层？
有人说，价值在模型层。因为模型是壁垒，是护城河，是"谁拥有智能谁拥有未来"。
有人说，价值在应用层。因为"基础设施都会 commoditize（大宗商品化）"，这是科技行业的铁律。芯片 commoditize 了，云 commoditize 了，AI 能力也会 commoditize，真正赚钱的是最上面的应用。
这两种说法，都有道理。也都有致命的盲区。
"价值在模型层"的盲区：
模型确实在 commoditize。GPT-4 发布的时候，它是不可替代的。现在？Claude 能做的，GPT-4 也能做。Gemini 能做的，Claude 也能做。千问能做 80% 的事，价格只有 1/10。
模型能力在快速扩散。扩散的结果，就是边际效用递减。
当一个能力变得人人都有的时候，它就不再是竞争壁垒了。它变成了基础设施。
基础设施能赚钱吗？能。但它赚的是"薄利多销"的钱，不是"稀缺溢价"的钱。
"价值在应用层"的盲区：
这是目前最流行的叙事。但它的前提是：应用层能建立自己的壁垒。
壁垒从哪里来？
如果你做的是"大模型 + 垂直场景"，你的壁垒是场景数据？还是用户习惯？还是品牌？
场景数据——模型公司也在积累。而且他们有更多的人用他们的模型，意味着更多的数据。
用户习惯——在 AI 产品里，用户习惯极其脆弱。今天用你，明天用竞品，切换成本几乎为零。因为没有数据锁定，没有社交关系，没有生态绑定。
品牌——ChatGPT 有品牌。你做的"AI 智能客服"有品牌吗？
所以真相是：
在今天的 AI 技术栈里，价值还没有找到一个稳定的落脚点。
它暂时在模型层（因为模型还不够 commoditize），但它正在向下游迁移。它想停留在应用层，但应用层还没有证明自己能建立真正的壁垒。
这个"价值悬空"的状态，就是过去三年AI行业集体焦虑的根源。
所有人都在跑，但没人确定终点在哪里。
四、三层世界里，你在哪一层骗自己？
好了，现在说回"工程化"和"产品"的关系。
我的核心论点其实很简单，但很少有人愿意直说：
工程化不是产品的子集。工程化是一个独立的价值层。
它和"做产品"是两件不同的事，需要不同的能力、不同的心态、不同的成功标准。
让我用一个更尖锐的说法来表达：
一个团队如果同时声称自己在"做工程化"和"做产品"，大概率两件事都没有做好。
这不是诅咒，这是资源约束下的必然结果。
工程化需要的是深度——把一个能力做到极致稳定、极致低成本、极致可观测。
产品需要的是广度——理解用户、快速迭代、在多个功能之间做权衡和取舍。
这两个方向，对团队精力的消耗模式是完全相反的。工程化是"往下挖井"，产品是"往两边铺路"。
你很难同时把井挖到地下一百米，又把路铺到前后一百公里。
更常见的结局是：井挖了十米，路铺了十公里，然后水没有出来，人也没有走到目的地。
五、一个更好的框架：不是三层，是三个问题
我觉得"能力—工程化—产品"这个三层模型，虽然有道理，但不够锋利。
它给人一种错觉：只要按次序做，先做能力，再做工程化，再做产品，就能成功。
但真实世界的顺序是反过来的。
你应该先问三个问题。顺序不能乱。
第一个问题：这个问题，值得用 AI 来解决吗？
这是产品问题，但它是所有问题的前提。
很多 AI 产品死于一个根本性的误判：用户的问题，其实不需要 AI 就能解决。
或者更准确地说：AI 能解决，但 AI 解决的成本，远高于传统方法。
举个真实的例子。
有一款"AI 合同审查"产品，用大模型来自动识别合同里的风险条款。技术上做出来了，效果也不错。
但用户真正关心的不是"能不能识别"，而是"识别出来的结果准不准，准到我可以不用律师再看一遍吗？"
答案是：不能。
所以用户的使用路径是：用 AI 审查一遍 → 律师再审查一遍 → 发现 AI 漏了一些条款 → 下次不敢完全依赖 AI 了。
你看，AI 在这里不是替代了律师，而是变成了律师前面的一个不太可靠的过滤器。
它的价值存在，但被大大高估了。因为用户真正愿意付的钱，是"可以不用律师"的钱。只要你还需要律师，AI 就只是边际成本的节省，不是根本性的成本颠覆。
一个无法颠覆根本性成本的问题，不值得用最前沿的 AI 来解决。
这是第一个过滤器。用这个过滤器筛一遍，你会发现，市面上 80% 的 AI 产品，其实都没有通过。
第二个问题：如果值得用 AI 来解决，我能把它工程化到"可信"的程度吗？
这是工程化问题。
"可信"的定义，我在上一篇文章里说过。这里我想说一个更尖锐的版本：
"可信"的最低标准，是"用户可以不知道有大模型的存在"。
这是一个非常高的标准。
想一想：你用 iPhone，你知道里面有神经网络吗？你知道 Face ID 用的是深度学习吗？你关心吗？
你不关心。你只关心"它能不能认出我的脸"。
这就是"可信"的最高境界：技术完全退到后台，用户只感知到价值。
现在回头看绝大多数 AI 产品。用户在跟它们交互的时候，时刻都能感觉到"这里有一个大模型在努力理解我"。
有时候它能理解，有时候它不能。有时候它很聪明，有时候它会胡说。
这种"时刻的不确定性"，是 AI 产品最大的体验杀手。
工程化的全部努力，本质上就是在消灭这种不确定性。
不是让模型变得完美（这是不可能的），而是让产品的外在行为变得确定——无论模型内部发生了什么，用户看到的东西，始终是可信的、可控的、可预期的。
这是一个极其困难的问题。到目前为止，整个行业还没有一个人能干净地解决这个问题。
那些看起来"解决"了的公司（比如 Character.AI、Replika），其实是通过降低用户的预期来解决的——用户知道他们在跟 AI 聊天，所以 AI 说错话，用户不会觉得是产品的错，只会觉得是"AI 就是这样"。
这是一种解法。但它限制了产品的天花板。
第三个问题：如果已经工程化到可信的程度了，用户会留下来吗？
这是真正的产品问题。
注意这里的逻辑链条：先有"可信"，才有资格问"留存"。
一个不可信的产品，用户不会留下来。这不需要讨论。
但一个可信的 AI 产品，用户就一定会留下来吗？
也不一定。
因为"可信"只是门槛，不是价值主张。
用户留下来，一定是因为这个产品持续地、重复地解决了他们的一个问题，或者持续地、重复地给他们带来了一种他们想要的感受。
"持续地、重复地"——这六个字，是产品的全部秘密。
大模型擅长创造"哇"的时刻。但它不擅长创造"习惯"。
这大概是过去三年，AI 产品遇到的最深的悖论：
模型越强，单次交互的惊艳程度越高，用户越容易把"惊艳"误认为是"价值"。然后他们试用一次，惊艳了，然后……不再回来了。因为没有持续的价值交付。
解决这个悖论，需要的已经不是更好的模型、更好的工程化，而是对人性更深的理解。
这才是产品层的真正战场。
六、给行业里还在找方向的人，三个不那么温和的建议
建议一：承认你做的是平台，不是产品，不丢人
过去两年，AI 领域最没有必要的自我欺骗，就是"我们做的是产品"。
很多团队，实际上做的是能力平台——把大模型的能力封装一下，提供给其他开发者或企业客户调用。
这是一门好生意。MongoDB 做的是平台，赚钱。Stripe 做的是平台，赚钱。AWS 做的是平台，赚大钱。
平台不需要跟用户讲故事，不需要做增长，不需要盯着 DAU。平台需要的是：稳定、低成本、文档清晰、API 好用。
这反而是很多技术出身的团队更擅长的事。
所以，如果你做的是平台，就大大方方地说你在做平台。不要为了融资或宣传，硬说自己是在做"面向 C 端的 AI 产品"。
装作自己是另一个物种，只会让你在两个方向都做不好。
建议二：工程化不是"技术债"，工程化是"产品的前半生"
很多产品出身的创始人，对工程化有一种本能的轻视。
他们的逻辑是："先把产品做出来，让用户用起来，工程化的事可以后面再补。"
这个逻辑，在移动互联网时代，可能是对的。因为那个时代的产品，工程化的复杂度相对较低——调用一个 REST API，返回一个结果，基本上就搞定了。
但大模型时代不一样。
大模型产品的"工程化复杂度"，和产品本身的复杂度，是同一个数量级的。
你不可能"先把产品做出来"，因为"把产品做出来"的前提，就是工程化已经完成了一半。
更残酷的是：如果你前期在工程化上偷了懒，后期补起来的成本，可能是前期的十倍。
因为你会发现有大量的用户数据、大量的行为日志、大量的边缘 case，都是在"有用户之后"才出现的。如果你前期的架构没有为这些做好准备，你要么重构，要么在 Technical Debt 的泥潭里慢慢窒息。
所以，如果你是一个产品出身的创始人，找一个真正懂 AI 工程化的技术合伙人，不是可选项，是必选项。
建议三：不要再问"AI 能做什么"，要问"用户愿意为什么付费"
这是最反直觉的建议，但也是最重要的。
过去三年，AI 行业被"AI 能做什么"这个问题主导了。
我们能做写作助手！我们能做代码助手！我们能做客服！我们能做教育！我们能做医疗！
然后呢？
然后就是一堆"能做"的东西，做出来之后发现用户不愿意付钱，或者不愿意付足够多的钱。
"能做"和"值得做"，中间隔着一道深渊。
"值得做"的标准只有一个：用户愿意付钱。
注意，是"愿意付钱"，不是"愿意用"。
愿意用和愿意付钱，是两件事。很多 AI 产品有大量的"愿意用"的用户，但没有一个"愿意付钱"的用户。
这是另一种形式的死刑。
所以，如果你还在找方向，不要再开脑洞会议讨论"AI 还能做什么很酷的事"了。
去找到那些已经在付钱的用户，问他们："你付的这笔钱，买的到底是什么？如果有一个 AI 能帮你把这件事做得更好/更便宜/更快，你会愿意付更多，还是付同样多，还是付更少？"
七、结语：我们都在 bridge 上
兴奋 → 投入 → 受挫 → 怀疑 → 转型 → 再兴奋 → 再投入 → 再受挫……
你知道自己在建的是 bridge 的哪一段。
大模型的时代，我们都是 bridge 上的建设者。
这座 bridge，就是工程化。
而 bridge 通向的彼岸，就是产品。
但请记住：在 bridge 建成之前，在彼岸有人愿意为你的通行付费之前——
我们都在桥上。
本文来源：鲸涛骇浪
原文链接：https://mp.weixin.qq.com/s/vtZDLmtvxCTEvFtfdeyA9Q
转载请联系原作者获得授权